最近一直在深度折腾各种 AI Agent 和辅助开发工具。看过无数篇介绍 Skill 的文章后我终于忍不住动手了。因为我深刻体会到一件事想要真正理解一个技术概念最好的办法永远是亲自下场。去建构、去试错去看看这东西在你的真实工作流里到底能翻出什么水花。所以我逼着自己手搓了一个 Skill。这是一个专门用来“画高颜值流程图”的外挂技能。大家可以先看看最终的效果图。关注公众号回复“流程图”可以免费获取这个最终技能。流程图效果为什么要专门做一个画流程图的 Skill你看到这里可能奇怪画流程图有什么稀奇的现在的大模型直接在对话框里敲几句提示词不就能出流程图了吗确实能画。大模型刚开始流行的时候我确实试过一些常用的方法。最简单的就是让 AI 生成 Mermaid 格式的代码然后再导入到 excalidraw.com 这类软件中渲染成图。Mermaid 流程图如果你对美感毫无要求只要能看懂就行那这种方法确实足够了。但我过不去心里那道坎。我之前写技术文章时专门研究过流程图的配色和风格也用 PPT 手工画过很多图。因此我一直希望能定制一种个人非常喜欢的视觉风格。什么样的风格呢我最近非常沉迷 Anthropic 官方技术博客里的配图那种极简、克制又极具专业感的画风简直长在了我的审美点上。Anthropic 官方配图我就在想能不能让 AI 直接给我生成这种级别的流程图基础模型还不够最开始我盯上了 Draw.io。这是一款非常老牌且强大的画图软件刚好他们官方最近也顺应潮流推出了自己的 Skill可以直接在 Claude Code 里通过对话生成 Draw.io 格式的图表。https://github.com/jgraph/drawio-mcp/tree/main/skill-cli/drawio满心欢喜地接入试了一下结果有些遗憾官方的这个技能能把图画出来但在配色和整体气质上跟 Anthropic 技术文章的精美配图还是有差距。这也让我意识到一个问题基础模型并不是完全做不到而是做得不够稳定、不够一致。而这种场景恰恰就是最适合自己做 Skill 的地方。它不是“从零创造能力”而是对已有能力进行定向增强。换句话说这就是一种能力增强型 Skill。第一次上手我是怎么翻车的刚开始的时候我其实信心满满。脑子里有个大概的构思就直接打开控制台对着 AI 一顿疯狂输出想到哪说到哪指望它能瞬间领悟我的意思。结果呢一个多小时痛苦地折腾下来几十块钱的 Token 额度就像水一样烧没了最后做出来的东西根本无法稳定工作。这感觉像极了凭空建一座没打地基的房子一边盖一边改最后“轰”地一下全塌了。这次彻头彻尾的“翻车”一巴掌把我拍醒了创建一个好用的 Skill从来就不是“陪 AI 聊聊天、写几句提示词”那么简单它本质上是一个极其严谨的软件工程。称之为“Skill Engineering技能工程化”毫不为过。想做好 Skill先拆解“痛点”痛定思痛我开始用工程化的思维来拆解这盘棋。第一步解读核心痛点我想要的“Anthropic 风格”到底是个什么东西为了搞清楚这个我开始在 Draw.io 里纯手动复刻他们的配图并且喂了几十张原图给 AI让它帮我逆向分析。最后我们提炼出了几条规律律首先是颜色体系。颜色的分配必须基于“语义角色”绝不能是为了好看而瞎填。从中整理出了十套严格的配色方案并且定下死规矩一张图里的颜色绝对不能多最多保留 2 到 3 种用来起强调作用的主题色。图片其次是整体风格。背景画布用什么灰度层级关系怎么体现结论是层级和重要性要靠排版、字体大小和留白间距来体现而不是粗暴地用一堆亮瞎眼的颜色去堆砌。把这些审美标准用机器能看懂的规则沉淀下来才是我这次开发中最核心的护城河。固定生成流程标准定好了接下来就是规范 AI 的工作流。当用户输入一句“帮我画个大模型请求流程”时AI 第一步该干嘛我给它加了一个前置动作深度思考。简单说就是逼着 AI 在动笔画图之前先用一段纯文本把整个流程图的骨架、逻辑、用什么图表类型老老实实地在草稿纸上写一遍。实践证明加上这一步AI 生成的成功率直线上升。紧接着为了避免模型每次都“自由发挥”我在和 ChatGPT 反复讨论之后把常用图表类型收敛成了几个固定类别workflow、architecture、comparison、swimlane、venn、chart。这样一来模型就不只是“会选颜色”而是真正能更稳定地“画成这种技术文章配图”。最后让 AI 严格按照 Draw.io 能够识别的 XML 格式输出代码。结合 draw.io 官方的 Skill我们将带有特定样式的 XML 内容输出并保存为.drawio文件即可。用 skill-creator 搭 Skill整体骨架搭完后我用上了最新的skill-creator来辅助生成 Skill并给它加上了 Evals 评测机制。Evals 是什么你可以把它理解成给 AI 安排的一套自动化期末考试。它自动生成几个画图需求对比一下“开启我写的 Skill”和“不开启 Skill”画出来的差距。跑完 A/B 测试一看结果开启专属技能后的出图质量简直是降维打击。报告经过这番折腾我最终的技能文件目录长这样anthropic-diagram/├── skill.md 主控大脑├── references/├── color-palette.md 视觉标准└── pattern-library.md 图表的布局规则真正有价值的部分其实是后面的反复调试看着这整齐的代码结构我以为大功告成了。万万没想到真正的磨难才刚刚开始。我算是彻彻底底领悟了那句“不亲自上手永远无法理解里面的门道”。接下来的两天就是陷入了无休止的“生成、比对、找茬、修改”的死循环。看着生成的图我开始一点点抠细节“连接线的箭头怎么是这种笨重的实心块不行去 skill.md 里改规则必须用开放式的 V 形极简箭头”“线条太死板而改成带柔和圆角的正交连接线。”“容器里的字太小了再去调字号参数”……颜色规范每一次微调都需要让 AI 重新生成一整坨庞大的 XML 代码在软件中进行图片比对没有办法自动进行。这就像以前写代码一行行 Debug 一样熬人。由于每次测试都需要消耗大量的 Token 上下文两天折腾下来肉眼可见地烧掉了大概 100 多块人民币。强烈建议大家在做这种开发时能包月就包月不然心在滴血。最重要的不是模型而是你自己的判断标准整个过程中我越来越强烈地感受到一件事模型只是执行者真正决定上限的其实是你自己对细节的理解。什么样的箭头更合适 什么样的颜色更克制 什么样的间距更舒服 什么情况下该强调什么情况下不该强调这些判断AI 不会凭空替你建立。你必须自己先有标准Skill 才能真正被打磨出来。也正因为如此我发现整个 Skill 里最有价值的部分恰恰不是主流程而是这些“容易翻车的地方”的积累。把模型在画图时最容易犯蠢、最容易逻辑卡壳的地方一点点收集起来写成了一条条预防规则反向补充到了技能文件中。在一个优秀的 Skill 里这种针对特定场景的边界处理和经验之谈才是含金量最高的地方。流程图展示总结回顾这次折腾经历最大的感触是即使 AI 能帮你写代码、做执行但想完成一个真正好用的产品你不仅需要掌握 Claude Code 等工具的使用方法更重要的是你必须懂行熟悉业务的整个 SOP 和核心关键点。每一个行业、每一个细分岗位都有自己不外传的 SOP标准作业程序、黑话和潜规则。通用的大模型对这些一无所知。而一个精心打磨的 Skill就是把你大脑里的行业老兵经验“强行注射”注入进 AI 。停下来想一想你每天的工作中有没有哪些让你觉得像机器人一样重复、每天要耗费 30 分钟以上的痛点你有没有自己一套行之有效的 SOP如果有不要犹豫去尝试写你的第一个 Skill 吧。在这个大模型时代你个人最核心的数字资产或许就将从这里开始积累。学习资源推荐如果你想更深入地学习大模型以下是一些非常有价值的学习资源这些资源将帮助你从不同角度学习大模型提升你的实践能力。一、全套AGI大模型学习路线AI大模型时代的学习之旅从基础到前沿掌握人工智能的核心技能​因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取二、640套AI大模型报告合集这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示​因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取三、AI大模型经典PDF籍随着人工智能技术的飞速发展AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型如GPT-3、BERT、XLNet等以其强大的语言理解和生成能力正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取四、AI大模型商业化落地方案作为普通人入局大模型时代需要持续学习和实践不断提高自己的技能和认知水平同时也需要有责任感和伦理意识为人工智能的健康发展贡献力量。